协同向量编码网络中的联合任务卸载与资源分配

《IEEE Transactions on Intelligent Transportation Systems》：Joint Task Offloading and Resource Allocation for Collaborative VEC Network

车辆边缘计算（VEC）通过将计算任务卸载到路侧单元（RSU）或基站（BS）处理，可有效应对高计算需求和低时延要求。然而，车辆时空分布不均导致边缘服务器负载失衡。本文提出双层协作VEC网络范式，整合V2R、V2B及RSU间协作，联合优化任务卸载与资源分配以提升系统收益，兼顾时延约束。通过分布式框架和JTORA算法分解问题，任务卸载建模为潜在博弈并采用MATD3框架求解，资源分配转化为多凸优化问题。理论分析证明JTORA收敛至Nash均衡，仿真验证其相比现有方法显著提升系统收益，降低时延与能耗，提高任务完成率。

　　

摘要：

车载边缘计算（VEC）是一种有前景的技术，它通过将计算密集型和对延迟敏感的任务卸载到配备边缘计算服务器的路侧单元（RSU）或基站（BS）上来处理这些任务。然而，车辆在空间和时间上的分布不均导致边缘服务器之间的负载不平衡。为了解决这一挑战，我们提出了一种双层协作式VEC网络范式，该范式结合了车辆到RSU（V2R）、车辆到基站（V2B）以及RSU之间的协作等卸载模式。在这个框架中，任务卸载和资源分配被共同优化，以最大化系统效用，该效用综合考虑了收入、延迟和能源消耗，同时确保车辆任务能够满足其延迟要求。鉴于问题的复杂性和可扩展性考虑，我们引入了一个分布式框架，并提出了联合任务卸载和资源分配（JTORA）算法。该算法将原始问题分解为两个子问题：任务卸载和资源分配。任务卸载子问题被建模为一个潜在博弈，并使用多智能体双延迟深度确定性策略梯度（MATD3）框架来解决。基于卸载决策，资源分配子问题进一步被分解为多个凸优化问题。从任务卸载和资源分配决策中得出的系统效用作为奖励，用于迭代评估、训练学习模型并改进卸载策略。理论分析证实JTORA算法能够收敛到纳什均衡（NE）。使用真实交通数据的仿真验证了所提算法的有效性和相对于现有方法的优越性。具体来说，JTORA算法通过减少任务处理延迟和能源消耗来提高整体系统效用，同时提高任务完成率。

引言

近年来，物联网（IoT）的兴起以及车辆数量的持续增加显著加速了车联网（IoV）的发展。车联网利用各种设备（如车载传感器、雷达和摄像头）收集大量数据，促进了计算密集型车载应用的采用[1]、[2]、[3]，包括增强现实、道路状况分析和自动驾驶等。然而，数据和应用的指数级增长已经超出了车辆内部有限的计算资源，使得车辆无法满足用户对延迟的严格要求。与远程云计算不同，远程云计算常常引入不可预测的传输延迟并影响服务质量[4]、[5]、[6]、[7]，车载边缘计算（VEC）将移动边缘计算（MEC）[8]、[9]整合到车联网中，为解决车联网应用的计算挑战提供了有前景的解决方案[10]、[11]。VEC的核心在于与云计算相比，它具有更低的传输延迟[12]、[13]，同时可以利用远超过车辆内部计算资源的强大计算能力[14]、[15]、[16]。